捋顺Struck SVM------之--------从一堆sample中选出一些作为sv的准则

 仍然是对Struck: Structured Output Tracking with Kernels中思路的理解，原文及代码链接之前的博客中已经甩出来过啦。这次捋顺的是从一堆sample中选出一些作为sv的准则。用我的大白话总结了一下作者的逻辑思路，便于理解，理解这部分用了一个多星期的时间，oh my god！

从一堆sample中选出一些作为sv的准则：

正sv：选唯一的那个真实目标框

负sv：选与真实框重叠少，但与真实框的特征相似，与负sv的特征相差大的

选出当前负sv后，还要进一步依次找出很多负sv，为啥呢？因为一个负sv并不能很准确地表示特征差的“边界”，所以要依次找出一些其他的sample作为负sv来使模型的衡量更加全面一些。在这个过程中，不仅要找新的负sv，同时也要确定每个sv的权重系数。

How？

如果当前来看，相比之下，某个负sv与真实框没有那么相似，而且与负sv相差也没那么大(尤其是与权重大的负sv相差没那么大)，这就说明这个负sv 对模型的作用其实其他某些负sv也具有，又因为这个负sv与真实框没有那么相似，所以它并不能很好地作为一份“边界”。所以它的权重就要↓↓↓

如果当前来看，相比之下，某个负sv与真实框更相似，而且与负sv相差很大(尤其是与权重大的负sv相差很大)，这就说明这个负sv对模型的作用目前为止只能它自己来贡献，或者说它的贡献很个性。所以它的权重就要↑↑↑:

question1：选“正”sv时，判别g时，最大的g对应是一个负的sv。也就是选出来是负sv，却没有把真正的正sv选出来，这是什么情况？？

answer：这个时候说明这个负sv太劣质了，它能干的事情，别的sv也能干，对模型作用不大，而且这个劣质程度已经超过了一个底线，而这个底线就是和真实正sv的g相比较。

如果选“正”sv时，选到的是真正的正sv，就说明这时还没有太劣质的负sv。

question2：选出来的“一对”sv，如果它们之间的相似度很大，也会使这两者的权重变化程度很大。那么为什么它们之间的相似度很大的时候，要使权重变化程度更大一些呢？？

answer：相似度很大，就说明上面括号里提到的那句“ (尤其是与权重大的负sv相差没那么大)”中权重大的可能就是当前它的这个cp，所以这个劣质sv的权重就要使劲减小，而权重大贡献很大的那个负sv的权重就应该使劲增大。